福建泉州网站建设,漳州网站建设 林,百度爱采购推广怎么收费,想学程序员去哪里学装饰器模式无论何时我们想对一个对象添加额外的功能#xff0c;都有下面这些不同的可选方法。如果合理#xff0c;可以直接将功能添加到对象所属的类(例如#xff0c;添加一个新的方法)使用组合使用继承注意#xff0c;本文中的Decorator可以为装饰器或者修饰器。与继承相比…装饰器模式无论何时我们想对一个对象添加额外的功能都有下面这些不同的可选方法。如果合理可以直接将功能添加到对象所属的类(例如添加一个新的方法)使用组合使用继承注意本文中的Decorator可以为装饰器或者修饰器。与继承相比通常应该优先选择组合因为继承使得代码更难复用继承关系是静态的并且应用于整个类以及这个类的所有实例(请参考[GOF95第31页]和网页[t.cn/RqrC8Yo])。设计模式为我们提供第四种可选方法以支持动态地(运行时)扩展一个对象的功能这种方法就是修饰器。修饰器(Decorator)模式能够以透明的方式(不会影响其他对象)动态地将功能添加到一个对象中(请参考[GOF95第196页])。在许多编程语言中使用子类化(继承)来实现修饰器模式(请参考[GOF95第198页])。在Python中我们可以(并且应该)使用内置的修饰器特性。一个Python修饰器就是对Python语法的一个特定改变用于扩展一个类、方法或函数的行为而无需使用继承。从实现的角度来说Python修饰器是一个可调用对象(函数、方法、类)接受一个函数对象fin作为输入并返回另一个函数对象fout(请参考网页)。这意味着可以将任何具有这些属性的可调用对象当作一个修饰器。在第1章和第2章中已经看到如何使用内置的property修饰器让一个方法表现为一个变量。在5.4节我们将学习如何实现及使用我们自己的修饰器。修饰器模式和Python修饰器之间并不是一对一的等价关系。Python修饰器能做的实际上比修饰器模式多得多其中之一就是实现修饰器模式(请参考[Eckel08第59页]和网页[t.cn/RqrlLcQ])。#!/usr/bin/env pythonhttps://docs.python.org/2/library/functools.html#functools.wrapshttps://stackoverflow.com/questions/739654/how-can-i-make-a-chain-of-function-decorators-in-python/739665#739665from functools import wrapsdef makebold(fn):return getwrapped(fn, b)def makeitalic(fn):return getwrapped(fn, i)def getwrapped(fn, tag):wraps(fn)def wrapped():return %s%s % (tag, fn(), tag)return wrappedmakeboldmakeitalicdef hello():a decorated hello worldreturn hello worldif __name__ __main__:print(result:{} name:{} doc:{}.format(hello(), hello.__name__, hello.__doc__))### OUTPUT #### result:hello world name:hello doc:a decorated hello worldresult:hello world name:hello doc:a decorated hello world# http://stackoverflow.com/questions/3118929/implementing-the-decorator-pattern-in-pythonclass foo(object):def f1(self):print(original f1)def f2(self):print(original f2)class foo_decorator(object):def __init__(self, decoratee):self._decoratee decorateedef f1(self):print(decorated f1)self._decoratee.f1()def __getattr__(self, name):return getattr(self._decoratee, name) # 这个不是delegation么u foo()v foo_decorator(u)v.f1()v.f2()decorated f1original f1original f2现实中的例子该模式虽名为修饰器但这并不意味着它应该只用于让产品看起来更漂亮。修饰器模式通常用于扩展一个对象的功能。这类扩展的实际例子有给枪加一个消音器、使用不同的照相机镜头(在可拆卸镜头的照相机上)等。下图由sourcemaking.com提供展示了我们可以如何使用一些专用配件来修饰一把枪使其 无声、更准以及更具破坏力(请参考网页[t.cn/RqrC8Yo])。注意图中使用了子类化但是在 Python中这并不是必需的因为可以使用语言内置的修饰器特性。软件中的例子Django框架大量地使用修饰器其中一个例子是视图修饰器。Django的视图(View)修饰器 可用于以下几种用途(请参考网页[t.cn/RqrlJbA])。限制某些HTTP请求对视图的访问控制特定视图上的缓存行为按单个视图控制压缩基于特定HTTP请求头控制缓存Grok框架也使用修饰器来实现不同的目标比如下面几种情况。将一个函数注册为事件订阅者以特定权限保护一个方法实现适配器模式应用案例当用于实现横切关注点(cross-cutting concerns)时修饰器模式会大显神威(请参考[Lott14第223页]和网页[t.cn/Rqrl6O0])。以下是横切关注点的一些例子。数据校验事务处理(这里的事务类似于数据库事务意味着要么所有步骤都成功完成要么事务失败) 缓存日志监控调试业务规则压缩加密一般来说应用中有些部件是通用的可应用于其他部件这样的部件被看作横切关注点。使用修饰器模式的另一个常见例子是图形用户界面(Graphical User InterfaceGUI)工具集。在一个GUI工具集中我们希望能够将一些特性比如边框、阴影、颜色以及滚屏添加到单个组件/部件。实现Python修饰器通用并且非常强大。你可以在Python官网python.org的修饰器代码库页面(请参考网页[t.cn/zRHPIq4])中找到许多修饰器的使用样例。本节中我们将学习如何实现一个memoization修饰器(请参考网页[t.cn/zQi9AET])。所有递归函数都能因memoization而提速那么来试试常用的斐波那契数列例子。使用递归算法实现斐波那契数列直接了当但性能问题较大即使对于很小的数值也是如此。首先来看看朴素的实现方法(文件fibonacci_naive.py)。def fibonacci(n):assert(n 0), n must be 0return n if n in (0, 1) else fibonacci(n-1) fibonacci(n-2)if __name__ __main__:from timeit import Timert Timer(fibonacci(8), from __main__ import fibonacci)print(t.timeit())15.40320448600687执行一下这个例子就知道这种实现的速度有多慢了。计算第8个斐波那契数要花费运行的样例输出如上所示。使用memoization方法看看能否改善。在下面的代码中我们使用一个dict来缓存斐波那契 数列中已经计算好的数值同时也修改传给fabonacci()函数的参数计算第100个斐波那契数 而不是第8个。known {0:0, 1:1}def fibonacci(n):assert(n 0), n must be 0if n in known:return known[n]res fibonacci(n-1) fibonacci(n-2)known[n] resreturn resif __name__ __main__:from timeit import Timert Timer(fibonacci(100), from __main__ import fibonacci)print(t.timeit())0.30129148002015427执行基于memoization的代码实现可以看到性能得到了极大的提升甚至对于计算大的数 值性能也是可接受的。运行的样例输出如上所示。但这种方法有一些问题。虽然性能不再是一个问题但代码也没有不使用memoization时那 样简洁。如果我们决定扩展代码加入更多的数学函数并将其转变成一个模块那又会是什么 样的呢?假设决定加入的下一个函数是nsum()该函数返回前n个数字的和。注意这个函数已存 在于math模块中名为fsum()但我们也能很容易就能想到标准库中还没有、但是对我们模块 有用的其他函数(例如帕斯卡三角形、埃拉托斯特尼筛法等)。所以暂且不必在意示例函数是 否已存在。使用memoization实现nsum()函数的代码如下所示。known_sum {0:0}def nsum(n):assert(n 0), n must be 0if n in known_sum:return known_sum[n]res n nsum(n-1)known_sum[n] resreturn res你有没有注意到其中的问题?多了一个名为known_sum的新字典为nsum提供缓存作用 并且函数本身也比不使用memoization时的更复杂。这个模块逐步变得不必要地复杂。保持递归 函数与朴素版本的一样简单但在性能上又能与使用memoization的函数相近这可能吗?幸运 的是确实可能解决方案就是使用修饰器模式。首先创建一个如下面的例子所示的memoize()函数。这个修饰器接受一个需要使用 memoization的函数fn作为输入使用一个名为known的dict作为缓存。函数functools.wraps() 是一个为创建修饰器提供便利的函数;虽不强制但推荐使用因为它能保留被修饰函数的文档字符串和签名(请参考网页[t.cn/Rqrl0K5])。这种情况要求参数列表args因为被修饰的函数可能有输入参数。如果fibonacci()和nsum()不需要任何参数那么使用args确实是多余的但它 们是需要参数n的。from functools import wrapsdef memoize(fn):known dict()wraps(fn)def memoizer(*args):if args not in known:known[args] fn(*args)return known[args]return memoizer现在对朴素版本的函数应用memoize()修饰器。这样既能保持代码的可读性又不影响性能。 我们通过修饰(或修饰行)来应用一个修饰器。修饰使用name语法其中name是指我们想要使 用的修饰器的名称。这其实只不过是一个简化修饰器使用的语法糖。我们甚至可以绕过这个语法 手动执行修饰器留给你作为练习吧。来看看下面的例子中如何对我们的递归函数使用memoize() 修饰器。memoizedef nsum(n):返回前n个数字的和assert(n 0), n must be 0return 0 if n 0 else n nsum(n-1)memoizedef fibonacci(n):返回斐波那契数列的第n个数assert(n 0), n must be 0return n if n in (0, 1) else fibonacci(n-1) fibonacci(n-2)代码的最后一部分展示如何使用被修饰的函数并测量其性能。measure是一个字典列表用于避免代码重复。注意name和doc分别是如何展示正确的函数名称和文档字符串值的。尝试从memoize()中删除functools.wraps(fn)修饰看看是否仍旧如此。if __name__ __main__:from timeit import Timermeasure [ {exec:fibonacci(100), import:fibonacci, func:fibonacci},{exec:nsum(200), import:nsum, func:nsum} ]for m in measure:t Timer({}.format(m[exec]), from __main__ import {}.format(m[import]))print(name: {}, doc: {}, executing: {}, time: {}.format(m[func].__name__, m[func].__doc__, m[exec], t.timeit()))name: fibonacci, doc: 返回斐波那契数列的第n个数, executing: fibonacci(100), time: 0.29140055197058246name: nsum, doc: 返回前n个数字的和, executing: nsum(200), time: 0.3004333569551818看看我们数学模块的完整代码(文件mymath.py)和执行时的样例输出。from functools import wrapsdef memoize(fn):known dict()wraps(fn)def memoizer(*args):if args not in known:known[args] fn(*args)return known[args]return memoizermemoizedef nsum(n):返回前n个数字的和assert(n 0), n must be 0return 0 if n 0 else n nsum(n-1)memoizedef fibonacci(n):返回斐波那契数列的第n个数assert(n 0), n must be 0return n if n in (0, 1) else fibonacci(n-1) fibonacci(n-2)if __name__ __main__:from timeit import Timermeasure [ {exec:fibonacci(100), import:fibonacci, func:fibonacci},{exec:nsum(200), import:nsum, func:nsum} ]for m in measure:t Timer({}.format(m[exec]), from __main__ import {}.format(m[import]))print(name: {}, doc: {}, executing: {}, time: {}.format(m[func].__name__, m[func].__doc__, m[exec], t.timeit()))name: fibonacci, doc: 返回斐波那契数列的第n个数, executing: fibonacci(100), time: 0.272907609003596name: nsum, doc: 返回前n个数字的和, executing: nsum(200), time: 0.2719842789811082不错!这一方案同时具备可读的代码和可接受的性能。此时你可能想争论说这不是修饰器 模式因为我们并不是在运行时应用它。被修饰的函数确实无法取消修饰但仍然可以在运行时 决定是否执行修饰器。这个有趣的练习就留给你来完成吧。使用修饰器进行一层额外的封装基于某个条件来决定是否执行真正的修 饰器。修饰器的另一个有趣的特性是可以使用多个修饰器来修饰一个函数。本章没有涉及这一特 性因此这是另一个练习创建一个修饰器来帮助你调试递归函数并将其应用于nsum()和 fibonacci()。多个修饰器会以什么次序执行?如果你仍未充分理解修饰器那么我有最后一个练习留给你。修饰器memoize()无法修饰接 受多个参数的函数。我们如何可以验证这一点?验证之后尝试找到一种方法解决这个问题: 经测试memoize()对多参函数仍然有效。(此处可能有误)小结本章介绍了修饰器模式及其与Python编程语言的关联。我们使用修饰器模式来扩展一个对象的行为无需使用继承非常方便。Python进一步扩展了修饰器的概念允许我们无需使用继承或组 合就能扩展任意可调用对象(函数、方法或类)的行为。我们可以使用Python内置的修饰器特性。我们看了现实中一些被修饰对象的例子比如枪和照相机。从软件的视角来看Django和Grok都使用了修饰器来达到不同的目标比如控制HTTP压缩和缓存。修饰器模式是实现横切关注点的绝佳方案因为横切关注点通用但不太适合使用面向对象编 程范式来实现。在5.3节中我们提到很多种横切关注点。事实上5.4节演示了一个横切关注点 memoization。我们看到修饰器如何可以帮助我们保持函数简洁同时不牺牲性能。本章中推荐的练习可以帮助你更好地理解修饰器这样你就能将这一强大工具用于解决许多 常见的(或许不太常见的)编程问题。第6章将介绍外观模式一种简化复杂系统访问的方式。个人读后感好烂的一章完全就是凑字数还不如干脆挑明了直接解释传统意义上的装饰器模式和python的装饰器之间的差别还有自己造了一个轮子memorize其实我们完全可以使用现有的轮子 from functools import lru_cache还是别自己造轮子了。。我后续会补充完整这方面的内容。
